Azure Machine Learning için Kubernetes kümesini yapılandırma başvurusu

  • Makale

Bu makale, Azure Machine Learning ile Kubernetes'i yapılandırmaya yönelik başvuru bilgilerini içerir.

Desteklenen Kubernetes sürümü ve bölgesi

  • Azure Machine Learning uzantısını yükleyen Kubernetes kümeleri, Azure Kubernetes Service (AKS) sürüm destek ilkesiyle uyumlu bir "N-2" sürüm destek penceresine sahiptir ve burada 'N' Azure Kubernetes Service'in en son GA ikincil sürümüdür.

    • Örneğin, AKS bugün 1.20.a sürümünü tanıtırsa 1.20.a, 1.20.b, 1.19.c, 1.19.d, 1.18.e ve 1.18.f sürümleri desteklenir.

    • Müşteriler desteklenmeyen bir Kubernetes sürümü çalıştırıyorsa, küme için destek isterken yükseltmeleri istenir. Desteklenmeyen Kubernetes sürümlerini çalıştıran kümeler Azure Machine Learning uzantısı destek ilkeleri kapsamında değildir.

  • Azure Machine Learning uzantısı bölge kullanılabilirliği:

Azure Machine Learning uzantısını dağıttığınızda, Azure Machine Learning için Kubernetes kümenize bazı ilgili hizmetler dağıtılır. Aşağıdaki tabloda, kümedeki İlgili Hizmetler ve bunların kaynak kullanımı listelenmektedir:

Dağıtma/Daemonset Çoğaltma # Eğitim Çıkarım CPU İsteği(m) CPU Sınırı(m) Bellek İsteği(Mi) Bellek Sınırı(Mi)
metrics-controller-manager 1 ✓ ✓ 10 100 20 300
prometheus-operator 1 ✓ ✓ Kategori 100 400 128 512
Prometheus 1 ✓ ✓ Kategori 100 1000 512 4096
kube-state-metrics 1 ✓ ✓ 10 100 32 Kategori 256
ağ geçidi 1 ✓ ✓ 50 500 Kategori 256 2048
fluent bit Düğüm başına 1 ✓ ✓ 10 200 Kategori 100 300
inference-operator-controller-manager 1 ✓ Yok Kategori 100 1000 128 1024
amlarc-identity-controller 1 ✓ Yok 200 1000 200 1024
amlarc-identity-proxy 1 ✓ Yok 200 1000 200 1024
azureml-ingress-nginx-controller 1 ✓ Yok Kategori 100 1000 64 512
azureml-fe-v2 1 (Test amacıyla)
veya
3 (Üretim amaçlı)		 ✓ Yok 900 2000 800 1200
çevrimiçi dağıtım Dağıtım başına 1 Kullanıcı tarafından oluşturuldu Yok <kullanıcı tanımlama> <kullanıcı tanımlama> <kullanıcı tanımlama> <kullanıcı tanımlama>
çevrimiçi dağıtım/kimlik sepet Dağıtım başına 1 ✓ Yok 10 50 100 100
aml işleci 1 Yok ✓ 20 1020 124 2168
volkana giriş 1 Yok ✓ 10 100 64 Kategori 256
yanardağ denetleyici 1 Yok ✓ 50 500 128 512
volkan zamanlama 1 Yok ✓ 50 500 128 512

Kendi dağıtımlarınız/podlarınız hariç, toplam minimum sistem kaynakları gereksinimleri aşağıdaki gibidir:

Senaryo Etkin Çıkarım Etkin Eğitim CPU İsteği(m) CPU Sınırı(m) Bellek İsteği(Mi) Bellek Sınırı(Mi) Düğüm sayısı Önerilen en düşük VM boyutu Karşılık gelen AKS VM SKU'su
Test için ✓ Yok 1780 8300 2440 12296 1 Düğüm 2 vCPU, 7 GiB Bellek, 6400 IOPS, 1500 Mb/sn BW DS2v2
Test için Yok ✓ 410 4420 1492 10960 1 Düğüm 2 vCPU, 7 GiB Bellek, 6400 IOPS, 1500 Mb/sn BW DS2v2
Test için ✓ ✓ 1910 10420 2884 15744 1 Düğüm 4 vCPU, 14 GiB Bellek, 12800 IOPS, 1500Mbps BW DS3v2
Üretim İçin ✓ Yok 3600 12700 4240 15296 3 Düğüm 4 vCPU, 14 GiB Bellek, 12800 IOPS, 1500Mbps BW DS3v2
Üretim İçin Yok ✓ 410 4420 1492 10960 1 Düğüm 8 vCPU, 28GiB Memroy, 25600 IOPs, 6000Mbps BW DS4v2
Üretim İçin ✓ ✓ 3730 14820 4684 18744 3 Düğüm 4 vCPU, 14 GiB Bellek, 12800 IOPS, 1500Mbps BW DS4v2

Dekont

  • Test amacıyla kaynak isteğine başvurmanız gerekir.
  • Üretim amacıyla kaynak sınırına başvurmanız gerekir.

Önemli

Başvuru için dikkat edilmesi gereken diğer bazı noktalar şunlardır:

  • Daha yüksek ağ bant genişliği ve daha iyi disk G/Ç performansı için daha büyük bir SKU öneririz.
    • Örnek olarak DV2/DSv2'yi ele alalım, büyük SKU'yu kullanmak daha iyi ağ/depolama performansı için görüntü çekme süresini kısaltabilir.
    • AKS rezervasyonu hakkında daha fazla bilgiye AKS rezervasyonu bölümünden ulaşabilirsiniz.
  • AKS kümesi kullanıyorsanız AKS'deki bir kapsayıcı görüntüsündeki boyut sınırı hakkında düşünmeniz gerekebilir. Aks kapsayıcı görüntüsü boyut sınırında daha fazla bilgi bulabilirsiniz.

ARO veya OCP kümeleri için önkoşullar

Güvenliği Artırılmış Linux'ı (SELinux) devre dışı bırakma

Azure Machine Learning veri kümesi (Azure Machine Learning eğitim işlerinde kullanılan bir SDK v1 özelliği), SELinux'un etkinleştirildiği makinelerde desteklenmez. Bu nedenle, Azure Machine Learning veri kümesini kullanmak için tüm çalışanlarda devre dışı bırakmanız selinux gerekir.

ARO ve OCP için ayrıcalıklı kurulum

ARO veya OCP kümesinde Azure Machine Learning uzantısı dağıtımı için Azure Machine Learning hizmet hesaplarına ayrıcalıklı erişim verin, komutunu çalıştırın oc edit scc privileged ve "users:" altına aşağıdaki hizmet hesaplarını ekleyin:

  • system:serviceaccount:azure-arc:azure-arc-kube-aad-proxy-sa
  • system:serviceaccount:azureml:{EXTENSION-NAME}-kube-state-metrics
  • system:serviceaccount:azureml:prom-admission
  • system:serviceaccount:azureml:default
  • system:serviceaccount:azureml:prom-operator
  • system:serviceaccount:azureml:load-amlarc-selinux-policy-sa
  • system:serviceaccount:azureml:azureml-fe-v2
  • system:serviceaccount:azureml:prom-prometheus
  • system:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:default
  • system:serviceaccount:azureml:azureml-ingress-nginx
  • system:serviceaccount:azureml:azureml-ingress-nginx-admission

Dekont

  • {EXTENSION-NAME}: CLI komutuyla az k8s-extension create --name belirtilen uzantı adıdır.
  • {KUBERNETES-COMPUTE-NAMESPACE}: işlemi Azure Machine Learning çalışma alanına eklerken belirtilen Kubernetes işleminin ad alanıdır. ise KUBERNETES-COMPUTE-NAMESPACEdefaultyapılandırmayı system:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:default atlayın.

Toplanan günlük ayrıntıları

Kümedeki Azure Machine Learning iş yükleriyle ilgili bazı günlükler, durum, ölçümler, yaşam döngüsü vb. uzantı bileşenleri aracılığıyla toplanır. Aşağıdaki listede, toplanan günlüklerin türü ve bunların nereye gönderildiği veya depolandığı dahil olmak üzere toplanan tüm günlük ayrıntıları gösterilir.

Pod Kaynak açıklaması Ayrıntılı günlük bilgileri
amlarc-identity-controller Yönetilen kimlik aracılığıyla Azure Blob/Azure Container Registry belirtecini isteyin ve yenileyin. Yalnızca uzantı yüklenirken enableInference=true ayarlandığında kullanılır. Azure Machine Learning hizmetiyle kimlik doğrulaması için uç noktaların kimliğini alma durumuyla ilgili izleme günlükleri vardır.
amlarc-identity-proxy Yönetilen kimlik aracılığıyla Azure Blob/Azure Container Registry belirtecini isteyin ve yenileyin. Yalnızca uzantı yüklenirken enableInference=true ayarlandığında kullanılır. Kümenin Azure Machine Learning hizmetiyle kimlik doğrulaması için kimlik alma durumuyla ilgili izleme günlükleri vardır.
aml işleci Eğitim işlerinin yaşam döngüsünü yönetin. Günlükler kümedeki Azure Machine Learning eğitim işi pod durumunu içerir.
azureml-fe-v2 Gelen çıkarım isteklerini dağıtılan hizmetlere yönlendiren ön uç bileşeni. İstek kimliği, başlangıç saati, yanıt kodu, hata ayrıntıları ve istek gecikme süresi süreleri de dahil olmak üzere istek düzeyinde erişim günlükleri. Hata ayıklama amacıyla hizmet meta veri değişiklikleri, iyi durumda çalışan hizmet vb. için izleme günlükleri.
ağ geçidi Ağ geçidi, iletişim kurmak ve verileri ileri geri göndermek için kullanılır. Azure Machine Learning hizmetlerinden kümelere gelen isteklerle ilgili günlükleri izleme.
sistem durumu denetimi -- Günlükler, uzantının işlevsel olmadığını tanılamak için ad alanı kaynağı (Azure Machine Learning uzantısı) durumunu içerir azureml .
inference-operator-controller-manager Çıkarım uç noktalarının yaşam döngüsünü yönetin. Günlükler, kümedeki Azure Machine Learning çıkarım uç noktasını ve dağıtım pod durumunu içerir.
metrics-controller-manager Prometheus yapılandırmasını yönetin. CPU kullanımı ve bellek kullanımıyla ilgili eğitim işini karşıya yükleme ve çıkarım dağıtım ölçümlerinin durumu için izleme günlükleri.
geçiş sunucusu geçiş sunucusu yalnızca yay bağlantılı kümede gereklidir ve AKS kümesine yüklenmez. Geçiş sunucusu, bulut hizmetleriyle iletişim kurmak için Azure Relay ile birlikte çalışır. Günlükler Azure geçişinin istek düzeyi bilgilerini içerir.

Azure Machine Learning işleri özel veri depolama alanına bağlanır

Kalıcı Birim (PV) ve Kalıcı Birim Talebi (PVC), kullanıcının çeşitli depolama kaynakları sağlamasına ve kullanmasına olanak sağlayan Kubernetes kavramıdır.

  1. PV oluşturma, NFS'yi örnek alma,
apiVersion: v1
kind: PersistentVolume
metadata:
  name: nfs-pv 
spec:
  capacity:
    storage: 1Gi 
  accessModes:
    - ReadWriteMany 
  persistentVolumeReclaimPolicy: Retain
  storageClassName: ""
  nfs: 
    path: /share/nfs
    server: 20.98.110.84 
    readOnly: false
  1. ML iş yükleriyle aynı Kubernetes ad alanında PVC oluşturun. içindemetadata, Azure Machine Learning tarafından tanınması için etiket ml.azure.com/pvc: "true" eklemeniz ve bağlama yolunu ayarlamak için ek açıklama ml.azure.com/mountpath: <mount path> eklemeniz gerekir.
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: nfs-pvc  
  namespace: default
  labels:
    ml.azure.com/pvc: "true"
  annotations:
    ml.azure.com/mountpath: "/mnt/nfs"
spec:
  storageClassName: ""
  accessModes:
  - ReadWriteMany      
  resources:
     requests:
       storage: 1Gi

Önemli

  • Yalnızca komut işi/bileşeni, hyperdrive işi/bileşeni ve toplu dağıtım PVC'lerden özel veri depolamayı destekler. > * Gerçek zamanlı çevrimiçi uç nokta, AutoML işi ve PRS işi PVC'lerden özel veri depolamayı desteklemez.
  • Buna ek olarak, yalnızca PVC'lerle aynı Kubernetes ad alanında bulunan podlar birimi bağlayacaktır. Veri bilimcisi, işin PVC ek açıklamasında belirtilene erişebilir mount path . AutoML işi ve Prs işi PVC'lere erişmeyecek.

Desteklenen Azure Machine Learning izleri ve toleransları

Taint ve Toleration , podların uygun olmayan düğümlerde zamanlanmadığından emin olmak için birlikte çalışan Kubernetes kavramlarıdır.

Azure Machine Learning ile tümleştirilmiş Kubernetes kümeleri (AKS ve Arc Kubernetes kümeleri dahil) artık belirli Azure Machine Learning renk tonlarını ve toleranslarını destekleyerek kullanıcıların Azure Machine Learning ayrılmış düğümlerine belirli Azure Machine Learning renk tonları eklemesine olanak tanıyarak Azure Machine Learning olmayan iş yüklerinin bu ayrılmış düğümlere zamanlanmasını önlüyor.

Amlarc'a özgü taint'lerin yalnızca aşağıdaki gibi tanımlanan düğümlerinize yerleştirilmesini destekleriz:

Kusur Anahtar Değer Etki Açıklama
genel amlarc ml.azure.com/amlarc true NoScheduleveya NoExecutePreferNoSchedule Uzantı sistemi hizmet podları ve makine öğrenmesi iş yükü podları da dahil olmak üzere tüm Azure Machine Learning iş yükleri bu amlarc overall taint'i tolere edebilir.
amlarc sistemi ml.azure.com/amlarc-system true NoScheduleveya NoExecutePreferNoSchedule Yalnızca Azure Machine Learning uzantısı sistem hizmetleri podları bu amlarc system taint'i tolere edebilir.
amlarc iş yükü ml.azure.com/amlarc-workload true NoScheduleveya NoExecutePreferNoSchedule Yalnızca makine öğrenmesi iş yükü podları bu amlarc workload taint'i tolere edebilir.
amlarc kaynak grubu ml.azure.com/resource-group <kaynak grubu adı> NoScheduleveya NoExecutePreferNoSchedule Yalnızca belirli kaynak grubundan oluşturulan makine öğrenmesi iş yükü podları bu amlarc resource group taint'i tolere edebilir.
amlarc çalışma alanı ml.azure.com/workspace <çalışma alanı adı> NoScheduleveya NoExecutePreferNoSchedule Yalnızca belirli bir çalışma alanından oluşturulan makine öğrenmesi iş yükü podları bu amlarc workspace taint'i tolere edebilir.
amlarc işlem ml.azure.com/compute <işlem adı> NoScheduleveya NoExecutePreferNoSchedule Yalnızca belirli bir işlem hedefiyle oluşturulan makine öğrenmesi iş yükü podları bu amlarc compute taint'i tolere edebilir.

Bahşiş

  1. Azure Kubernetes Service(AKS) için, düğüm havuzlarına renk tonları uygulamak için Azure Kubernetes Service'te (AKS) gelişmiş zamanlayıcı özellikleri için en iyi yöntemler'deki örneği izleyebilirsiniz.
  2. Şirket içi Kubernetes kümeleri gibi Arc Kubernetes kümelerinde düğümlere renk tonları eklemek için komutunu kullanabilirsiniz kubectl taint . Daha fazla örnek için Bkz . Kubernetes Belgeleri.

En iyi yöntemler

Azure Machine Learning ayrılmış düğümlerinin zamanlama gereksinimlerinize göre, Azure Machine Learning iş yüklerinin düğümlerde çalıştırabileceklerini kısıtlamak için amlarc'a özgü birden çok renk tonu ekleyebilirsiniz. Amlarc taint'lerini kullanmak için en iyi yöntemleri listeledik:

  • Azure Machine Learning olmayan iş yüklerinin Azure Machine Learning ayrılmış düğümlerinde/düğüm havuzlarında çalışmasını önlemek için, yalnızca bu düğümlere renk tonunu aml overall ekleyebilirsiniz.
  • Sistem dışı podların Azure Machine Learning ayrılmış düğümlerinde/düğüm havuzlarında çalışmasını önlemek için aşağıdaki renk tonlarını eklemeniz gerekir:
    • amlarc overall Kusur
    • amlarc system Kusur
  • Ml olmayan iş yüklerinin Azure Machine Learning ayrılmış düğümlerinde/düğüm havuzlarında çalışmasını önlemek için aşağıdaki renk tonlarını eklemeniz gerekir:
    • amlarc overall Kusur
    • amlarc workloads Kusur
  • X çalışma alanından oluşturulmayan iş yüklerinin Azure Machine Learning ayrılmış düğümlerinde/düğüm havuzlarında çalışmasını önlemek için aşağıdaki renk tonlarını eklemeniz gerekir:
    • amlarc overall Kusur
    • amlarc resource group (has this <workspace X>) Kusur
    • amlarc <workspace X> Kusur
  • İşlem hedefi X tarafından oluşturulmayan iş yüklerinin Azure Machine Learning ayrılmış düğümlerinde/düğüm havuzlarında çalışmasını önlemek için aşağıdaki taint'leri eklemeniz gerekir:
    • amlarc overall Kusur
    • amlarc resource group (has this <workspace X>) Kusur
    • amlarc workspace (has this <compute X>) Kusur
    • amlarc <compute X> Kusur

DIĞER giriş denetleyicisini HTTP veya HTTPS üzerinden Azure Machine Learning uzantısıyla tümleştirme

Varsayılan Azure Machine Learning çıkarım yük dengeleyicisi azureml-fe'ye ek olarak, diğer yük dengeleyicileri HTTP veya HTTPS üzerinden Azure Machine Learning uzantısıyla tümleştirebilirsiniz.

Bu öğretici, Nginx Giriş Denetleyicisi'ni veya Azure Uygulaması Lication Gateway'i tümleştirmeyi göstermeye yardımcı olur.

Önkoşullar

HTTP üzerinden hizmetleri kullanıma sunma

azureml-fe'yi kullanıma sunmak için aşağıdaki giriş kaynağını kullanacağız:

# Nginx Ingress Controller example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: azureml-fe
  namespace: azureml
spec:
  ingressClassName: nginx
  rules:
  - http:
      paths:
      - path: /
        backend:
          service:
            name: azureml-fe
            port:
              number: 80
        pathType: Prefix

Bu giriş, hizmeti ve seçilen dağıtımı Nginx Giriş Denetleyicisi'nin varsayılan arka ucu olarak kullanıma sunar azureml-fe .

# Azure Application Gateway example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: azureml-fe
  namespace: azureml
spec:
  ingressClassName: azure-application-gateway
  rules:
  - http:
      paths:
      - path: /
        backend:
          service:
            name: azureml-fe
            port:
              number: 80
        pathType: Prefix

Bu giriş, hizmeti ve seçilen dağıtımı Application Gateway'in varsayılan arka ucu olarak kullanıma sunar azureml-fe .

Yukarıdaki giriş kaynağını olarak ing-azureml-fe.yamlkaydedin.

  1. Çalıştırarak dağıtın ing-azureml-fe.yaml :

    kubectl apply -f ing-azureml-fe.yaml

  2. Dağıtım durumu için giriş denetleyicisinin günlüğünü denetleyin.

  3. azureml-fe Artık uygulama kullanılabilir olmalıdır. Aşağıdakileri ziyaret ederek de kontrol edebilirsiniz:

    • Nginx Giriş Denetleyicisi: Nginx Giriş Denetleyicisinin genel LoadBalancer adresi
    • Azure Uygulaması lication Gateway: Application Gateway'in genel adresi.

  4. Çıkarım işi oluşturma ve çağırma.

    Dekont

    çağırmadan önce scoring_uri ip değerini Nginx Giriş Denetleyicisi'nin genel LoadBalancer adresiyle değiştirin.

HIZMETLERI HTTPS üzerinden kullanıma sunma

  1. Girişi dağıtmadan önce sertifikayı ve özel anahtarı barındırmak için bir kubernetes gizli dizisi oluşturmanız gerekir. komutunu çalıştırarak kubernetes gizli dizisi oluşturabilirsiniz

    kubectl create secret tls <ingress-secret-name> -n azureml --key <path-to-key> --cert <path-to-cert>

  2. Aşağıdaki girişi tanımlayın. Giriş bölümünde gizli dizinin secretName adını belirtin.

    # Nginx Ingress Controller example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: azureml-fe
  namespace: azureml
spec:
  ingressClassName: nginx
  tls:
  - hosts:
    - <domain>
    secretName: <ingress-secret-name>
  rules:
  - host: <domain>
    http:
      paths:
      - path: /
        backend:
          service:
            name: azureml-fe
            port:
              number: 80
        pathType: Prefix

    # Azure Application Gateway example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: azureml-fe
  namespace: azureml
spec:
  ingressClassName: azure-application-gateway
  tls:
  - hosts:
    - <domain>
    secretName: <ingress-secret-name>
  rules:
  - host: <domain>
    http:
      paths:
      - path: /
        backend:
          service:
            name: azureml-fe
            port:
              number: 80
        pathType: Prefix

    Dekont

    Yukarıdaki Giriş Kaynağı'nda ve <ingress-secret-name> değerini Nginx giriş denetleyicisinin/Application Gateway'inLoadBalancer'ı işaret eden etki alanıyla ve gizli dizinizin adıyla değiştirin<domain>. Yukarıdaki Giriş Kaynağını bir dosya adında ing-azureml-fe-tls.yamldepolayın.

  3. çalıştırarak ing-azureml-fe-tls.yaml dağıtma

    kubectl apply -f ing-azureml-fe-tls.yaml

  4. Dağıtım durumu için giriş denetleyicisinin günlüğünü denetleyin.

  5. azureml-fe Artık uygulama HTTPS'de kullanılabilir. Nginx Giriş Denetleyicisi'nin genel LoadBalancer adresini ziyaret ederek bunu de kontrol edebilirsiniz.

  6. Çıkarım işi oluşturma ve çağırma.

    Dekont

    çağırmadan önce scoring_uri protokolü ve IP'yi, Nginx Giriş Denetleyicisinin LoadBalancer'ını veya Application Gateway'i işaret eden https ve etki alanıyla değiştirin.

Uzantı Dağıtmak için ARM Şablonu Kullanma

Yönetilen kümedeki uzantı ARM şablonuyla dağıtılabilir. deployextension.json dosyasında deployextension.parameters.json demo parametre dosyasıyla örnek bir şablon bulunabilir

Örnek dağıtım şablonunu kullanmak için parametre dosyasını doğru değerle düzenleyin ve aşağıdaki komutu çalıştırın:

az deployment group create --name <ARM deployment name> --resource-group <resource group name> --template-file deployextension.json --parameters deployextension.parameters.json

ARM şablonunu kullanma hakkında daha fazla bilgi ARM şablonu belgesinden bulunabilir

AzuremML uzantısı sürüm notu

Dekont

Yeni özellikler iki haftada bir takvimde yayınlanıyor.

Tarih Sürüm Sürüm açıklaması
21 No.2023 1.1.39 Güvenlik açıkları düzeltildi. Geliştirilmiş hata iletisi. Geçiş sunucusu API'sinin kararlılığı artırıldı.
1.01.2023 1.1.37 Veri düzlemi elçisi sürümünü güncelleştirin.
11 Ekim 2023, Saat 2023 1.1.35 Güvenlik açığı olan görüntüyü düzeltin. Hata düzeltmeleri.
25 Ağustos 2023, Ağustos 2023 1.1.34 Güvenlik açığı olan görüntüyü düzeltin. Daha ayrıntılı kimlik hatası döndür. Hata düzeltmeleri.
18 Temmuz 2023 1.1.29 Yeni kimlik işleci hataları ekleyin. Hata düzeltmeleri.
4 Haziran 2023, Ağustos 2023 1.1.28 Birden çok düğüm havuzunu işlemek için otomatik ölçeklendiriciyi geliştirin. Hata düzeltmeleri.
Nisan 18 , 2023 1.1.26 Hata düzeltmeleri ve güvenlik açıkları düzeltildi.
27 Mart 2023, Mart 2023 1.1.25 Azure Machine Learning iş kısıtlaması ekleyin. SSH kurulumu başarısız olduğunda eğitim işi için hızlı başarısız oldu. Prometheus kazıma aralığını 30'lara düşürün. Çıkarım için hata iletilerini geliştirin. Güvenlik açığı olan görüntüyü düzeltin.
7 Mart 2023, Mart 2023 1.1.23 Varsayılan örnek türünü 2Gi belleği kullanacak şekilde değiştirin. 15s scrape_interval ekleyen puanlama-fe için ölçüm yapılandırmalarını güncelleştirin. mdc sepet için kaynak belirtimi ekleyin. Güvenlik açığı olan görüntüyü düzeltin. Hata düzeltmeleri.
14 Şubat 2023, Şubat 2023 1.1.21 Hata düzeltmeleri.
7 Şubat 2023, Şubat 2023 1.1.19 Çıkarım için hata dönüş iletisini geliştirin. Varsayılan örnek türünü 2Gi bellek sınırını kullanacak şekilde güncelleştirin. Pod sistem durumu, kaynak kotası, Kubernetes sürümü ve uzantı sürümü için küme sistem durumu denetimi yapın. Hata düzeltmeleri
27 Aralık 2022, İstanbul 1.1.17 Fluent bitini DaemonSet'ten sepetlere taşıyın. MDC desteği ekleyin. Hata iletilerini daraltma. Küme modu (windows, linux) işlerini destekler. Hata düzeltmeleri
29 No.2022 1.1.16 Yeni CRD'ye göre örnek türü doğrulaması ekleyin. Destek Toleransı. SVC Adını kısaltın. İş Yükü Çekirdeği saati. Birden çok Hata düzeltmesi ve iyileştirmesi.
13 Eyl 2022 1.1.10 Hata düzeltmeleri.
29 Ağustos 2022, Ağustos 2022 1.1.9 Sistem durumu denetimi mantığı iyileştirildi. Hata düzeltmeleri.
23 Haziran 2022, Temmuz 2022, Temmuz 2022, Temmuz 2022, Saat 1.1.6 Hata düzeltmeleri.
15 Haziran 2022, İstanbul 1.1.5 Eğitim, işleri çalıştırmak için yeni ortak çalışma zamanını kullanacak şekilde güncelleştirildi. AKS uzantısı için Azure Relay kullanımı kaldırıldı. Uzantıdan service bus kullanımı kaldırıldı. Güncelleştirilmiş güvenlik bağlamı kullanımı. azureml-fe çıkarımı v2'ye güncelleştirildi. Volkanı eğitim iş zamanlayıcı olarak kullanacak şekilde güncelleştirildi. Hata düzeltmeleri.
14 Ekim 2021, Saat 2021, Ekim 2021, Saat 20:00 1.0.37 AMLArc eğitim işinde PV/PVC birim bağlama desteği.
16 Eylül 2021, Eylül 2021, Eylül 2021, Eylül 2021, Saat 20 1.0.29 Yeni bölgeler: WestUS, CentralUS, NorthCentralUS, KoreaCentral. İş kuyruğu genişletilebilirliği. Azure Machine Learning Workspace Studio'da iş kuyruğu ayrıntılarına bakın. Otomatik öldürme ilkesi. ScriptRunConfig'de destek max_run_duration_seconds. Sistem, ayar değerinden daha uzun sürerse çalıştırmayı otomatik olarak iptal etmeye çalışır. Küme otomatik ölçeklendirme desteğinde performans iyileştirmesi. Şirket içi kapsayıcı kayıt defterinden Arc aracısı ve ML uzantısı dağıtımı.
24 Ağustos 2021, Saat 2021, Ağustos 2021, Ağustos 2021, Ağustos 1.0.28 İşlem örneği türü, iş YAML'de desteklenir. AMLArc işlem için Yönetilen Kimlik atayın.
10 Ağustos 2021, Saat 2021, Ağustos 2021, Saat 20:00 1.0.20 Yeni Kubernetes dağıtım desteği, K3S - Lightweight Kubernetes. Azure Arc üzerinden bağlanmadan AKS kümenize Azure Machine Learning uzantısını dağıtın. Python SDK aracılığıyla Otomatik Makine Öğrenmesi (AutoML). Kubernetes kümesini Azure Machine Learning Çalışma Alanına eklemek için 2.0 CLI kullanın. Azure Machine Learning uzantısı bileşenlerinin CPU/bellek kaynakları kullanımını iyileştirme.
2 Temmuz 2021, Ağustos 2021, Saat 20:00 1.0.13 Yeni Kubernetes dağıtım desteği, OpenShift Kubernetes ve GKE (Google Kubernetes Engine). Desteği otomatik ölçeklendirme. Kullanıcı tarafından yönetilen Kubernetes kümesi otomatik ölçeklendirmeyi etkinleştirirse, etkin çalıştırmaların ve dağıtımların hacmine göre kümenin ölçeği otomatik olarak genişletilir veya ölçeklendirilir. İş başlatıcıda performans geliştirmesi, iş yürütme süresini büyük ölçüde kısaltır.